如何在keras中使用Conv1D和双向LSTM对每个时间步进行多类分类？

Question

我尝试在keras中使用Conv1D和双向LSTM（非常类似于this question）进行信号处理，但是对每个时间步进行多类分类。在

问题是，尽管Conv1D和LSTM使用的形状有些相似：

Conv1D: (batch, length, channels)
LSTM: (batch, timeSteps, features)

Conv1D的输出是=（length-（kernel_size-1）/stripes），因此不再与LSTM形状匹配，即使不使用MaxPooling1D和Dropout。在

更具体地说，我的训练集X有n个样本，有1000个时间步和一个通道（n_samples，1000，1），我使用LabelEncoder和onehotcoder，因此y有n个样本，1000个时间步和5个1个热编码类（n_samples，1000，5）。在

由于一个类比其他类更普遍（实际上是没有信号），所以我使用loss='sparse_category_crossentry'、sample_weight_mode=“temporal”和sample_weight为包含有意义类的时间步赋予更高的权重。在

model = Sequential()
model.add(Conv1D(128, 3, strides=1, input_shape = (1000, 1), activation = 'relu'))
model.add(Bidirectional(LSTM(128, return_sequences=True)))
model.add(TimeDistributed(Dense(5, activation='softmax')))
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['categorical_accuracy'], sample_weight_mode="temporal")
print(model.summary())

Model

当我尝试拟合模型时，我收到以下错误消息：

Error when checking target: expected time_distributed_1 to have shape (None, 998, 1) but got array with shape (100, 1000, 5).

有没有办法让这样的神经网络配置工作起来？

Answer 1

你的卷积切断了序列的尖端。在卷积层中使用padding='same'。在

不过，这个信息似乎并不适合你的模式。您的模型显然有5个输出特性（因为Dense(5)），但是消息显示它期望1个。也许这是因为“稀疏”的交叉熵。根据数据的格式，您可能应该使用“分类熵”。在